R进阶使用技巧

Introduction

分享一些R进阶使用的技巧，相当于是之前写的R语言学习的实践和总结了。

Online slide: https://asa-blog.netlify.app/R_tips_for_advanced_use_byAsa/R_tips.html
下载slide和相关的各种test文件: https://asa-blog.netlify.app/R_tips_for_advanced_use_byAsa/R_tips_for_advanced_use_byAsa.zip
视频教程: https://www.bilibili.com/video/BV1eg4y1w7AL/
*才疏学浅，仅代表本人学习经验，R是一个宝库，此处只是冰山一角

Use R

R语言简介

R语言是S语言的一个变种。S语言由Rick Becker等人在贝尔实验室开发（著名的C语言、Unix系统开发实验室）。

R是一个自由源代码软件，GPL授权，于1997年发布，实现了与S语言基本相同的功能和统计功能。现在由R核心团队开发，但全世界的用户都可以贡献软件包。

R的网站: http://www.r-project.org/

特点：

自由软件，免费、开放源代码，支持各个主要计算机系统；
具有完善的数据类型，代码简洁、可读；
强调交互式数据分析，支持复杂算法描述，图形功能强；
统计科研工作者广泛使用R进行计算和发表算法。R有上万扩展包(截止2023年7月5日在R包网站CRAN上有19784个)。

S语言作者，R语言专家J. M. Chambers指出R的.red[本质特征]：

R中所有的存在都是对象（object）；
R中发生的动作都是函数调用（function call）。

详细地说R有如下技术特点：

函数编程（functional programming）。
支持对象类和类方法，面向对象的程序设计。
动态类型语言，解释执行，速度较慢。
数据框（data.frame）是基本数据类型，类似于数据库的表。
可以用作C和C++、FORTRAN语言编写的算法库的接口。
内部数值算法采用已广泛测试和采纳的算法实现，如排序、线性代数等。

R & Rstudio

R是一种统计学编程语言
Rstudio是R语言最好的IDE（Integrated development environment）

2022年RStudio公司正式改名Posit，拥抱大数据科学生态：R、Python、Julia…

RStudio使用方法概要PDF下载：rstudio-ide.pdf

Rstuido的魔法：按住Ctrl（Command）单击某个变量名或函数名，如果是data.frame就可以进入预览窗格，如果是函数就可以进入函数内部看具体的代码。

其实是调用了View()函数，对于不是以上类型的对象我们可以手动调用。

学习资料

全面教程小白上手首推北大李老师的课程讲义《R语言教程》，中文讲义，简单易读，甚至整本书就是用Rbookdown编写的，电子书也比较好复制代码进行学习。

《R语言实战》，也有中文版，介绍地更加全面且有不少进阶知识，值得一看！

然后是著名的英文书和参考手册：
- 《An Introduction to R》
- 《R Cookbook》
数据处理

tidyverse全家桶，其中包含ggplot2，tibble，dplyr，readr，stringr等常用的全面的数据处理包，能够很好的满足我们下游数据处理需求：
- 读取数据
- 清洗数据
- 转换数据
- 合并数据
- 筛选数据
- 可视化
官方教程：《R for Data Science》，非常建议熟读并使用
可视化

ggplot官方教程：《ggplot2: Elegant Graphics for Data Analysis》

为可视化而建的网站：From data to Viz | Find the graphic you need

基本使用

很多人使用 R，只为用其中的某个包的某个功能，只需学会以下几步即可：

1. 装好R & Rstudio ✅

2. 认识基本数据类型，结构

数值型常量 1,1e2,5L,Inf,-Inf;
字符型常量 "str",'str';
逻辑型常量 TRUE,FALSE,T,F;
缺失值 NaN,NA, 空值 NULL;
复数常量 2.2 + 3.5i;
变量，区分大小写的字母、数字、下划线和句点组成变量名，支持但不建议中文;
向量(vector)：用c()函数把多个元素或向量组合成一个向量。如果元素基本类型不同，将统一转换成最复杂的一个，复杂程度从简单到复杂依次为： logical<integer<double<character。此外还可以有Date和factor类型的元素
列表(list)：包装保存不同类型的数据。单个列表元素必须用两重方括号格式访问,单重方括号结果还是列表而不是列表元素。普通有names属性的列表可以用$访问元素，S4对象可以用@访问元素。
矩阵，数组(matrix, array)：矩阵用matrix函数定义，实际存储成一个向量，根据保存的行数和列数对应到矩阵的元素，存储次序为按列存储。
数据框(data.frame)：数据框类似于一个矩阵，有多个横行、多个纵列，各列允许有不同类型：数值型、因子、字符、日期时间，但同一列的数据类型相同。取子集应注意drop 。
改进数据框(tibble)：tibble类型是一种改进的数据框，tidyverse全家桶推荐使用，确实有不少好处：不会随意改变我们的数据名称，类型。打印优美。

3. 装好需要的包

包是R函数、数据、预编译代码以一种定义完善的格式组成的集合。

找到包，主要平台：
- CRAN 官方存储库，多个镜像
- BioConductor 用于生物信息学的开源软件专题库
- Github 开发版本，无限惊喜，但也可能缺少维护
- Bitbucket、SVN…
装在哪，本机位置：

计算机上存储包的目录称为库（library）。函数.libPaths()能够显示库所在的位置，函数library()可以显示库中有哪些包。

1

.libPaths()

这个地址很重要，有时候会有多个（如Windows分区），我们要搞清楚装在哪里。

怎么装，例子：大部分情况下CRAN用 install.packages("pkg")，BioConductor用BiocManager::install("pkg")，Github用devtools::install_github("repos")即可。但有时候会有依赖包相关的报错，我们可以手动下载特定版本包文件后安装。

source，源码，一堆R脚本和文本文件，我们直接在github上看的就是这个。
bundle，捆绑态，其实就是打包过的source，一般.tar.gz结尾。
binary，二进制版本，架构不一样，.zip(Windows)或.tgz(macOS)结尾。

所谓安装包就是把source变成binary在放在我们的.libPaths()文件夹下。

还有问题，谷歌大法，或github问包作者。带C++的R包出问题会麻烦一些，需要考察自己本机的C语言编译器。

怎么用包

首先可以用library(pkg)或require(pkg)将包导入内存，这样便可以调用其中的函数。 search()函数可以查看我们已经library的包。

1
2


library(pcutils)
search()

1

if(!require("pcutils")) install.packages("pcutils")

使用pkg::加上tab键可以列出某个包里所有导出的函数，多用help(pkg::func)或?pkg::func查看某个函数的用法。

如果不想用某个包了，可以用detach从当前环境移除（不是删除包）

1

detach("package:pcutils")

4. 正确数据/图像读入和写出

各种表格读取：read.table(), read.csv(), read.delim()

1

read.table("test.txt") #无法读取

当我们的表格含有 ", ', # 或者列名中含有任何非变量名字符时都要小心

1

read.table("test.txt",header = T,sep = "\t",comment.char = "",quote = "",check.names = F)

建议在readr包的支持下用read_csv(), read_table2(), read_delim()等函数读入。

保存为tibble类型，快得多，也不自动将字符型列转换成因子，不自动修改变量名为合法变量名。

1

readr::read_delim("test.txt",delim = "\t")

excel用readxl包，剪切板可用datapasta包或clipr::read_clip()。表格写出用write_*()，与读入一致。

任意文件访问，跟python很像，使用file()打开文件，close()关闭。

r—文本型只读; w—文本型只写; a—文本型末尾添加;
rb—二进制只读; wb—二进制只写; ab—二进制末尾添加;
r+或r+b—读写; w+或w+b—读写，清空文件; a+或a+b—读和末尾添加。

或者可以用cat()直接输出任意文本到文件。

clipr::write_clip()可以把R数据框或向量写入剪切板，可以直接粘贴他处。

图片保存：

1
2
3


pdf("new.pdf") #png(),jpg(),tiff(),bmp()
#画一些图
dev.off() #要记得关闭设备

1
2


ggplot2::ggsave("new.pdf",plot = p,device = "pdf") 
#p是一个ggplot对象，device可选各种文件格式

R变量储存：

R的save()命令可以将一个或者多个R变量保存到文件(.rda或.RData)中，保存结果是经过压缩的，在不同的R运行环境中兼容。使用load()可以恢复保存的变量。

强烈建议传递数据时用这种文件，避免了数据写入和读取时引起的差异。

使用save.image()可以把整个环境的所有变量保存，方便结果复现。

保存单变量时推荐使用saveRDS()，用readRDS()载入并返回变量，这样可以将某个变量赋值给某个拟定的变量名，避免某个变量值变了我们还不知道，如

1
2


saveRDS(old,file = "tmp.RDS")
new=readRDS("tmp.RDS")

5. 关闭R走人 ✅

R programming

程序控制结构

分支结构

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


x=1
if(x>0) {
  print("x > 0")
} else {
  print("x <= 0")
}

#或者用switch函数
switch (x>0,
    T = {print("x > 0")},
    F = {print("x <= 0")}
)

#或者用ifelse函数，向量式
x <- c(-2, 0, 1)
ifelse(x >=0, 1, 0)

循环结构

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


for (i in 1:3) {
    print(i)
}
#或者用while函数
i=1
while (i<4) {
    print(i)
    i=i+1
}
#或者用repeat函数
i=1
repeat{
    print(i)
    i=i+1
    if(i>3)break
}

注意用到的判断条件必须是逻辑标量值，不能为NA或零长度。这是R编程时比较容易出错的地方。

循环结构进阶，apply()家族

上述显式循环是R运行速度较慢的部分，有循环的程序也比较冗长，建议使用apply, sapply, lapply, vapply, tapply等函数替代。

1
2


func=function(i)print(i)
a=lapply(1:3, func)

另外，建议循环过程不要制作副本：

类似于x <- c(x, y)这样的累积结果每次运行都会制作一个x的副本，在x存储量较大或者重复修改次数很多时会减慢程序。

而是应该在循环前设置好用来保存结果的数据结构：

1
2


x=numeric(100)
x[[i]]={i循环100次产生的结果}

管道

原生管道，R从4.1.0版本开始提供了一个|>运算符实现管道，如计算 $e^{\sqrt{2}}$：

1

2 |> sqrt() |> exp()

但是我还是更喜欢用magrittr提供的%>%，支持更复杂的应用，比如用.代表产生的中间变量放到合适的参数位置：

1
2


library(magrittr)
"hhh"%>%paste0("prefix_",.)

还有%<>%等方便的变体:

1
2


a="hhh"; a%<>%paste0("prefix_",.)
a

函数

使用自定义函数，优点是代码复用、模块化设计。

函数名 <- function(形式参数表) 函数体

特殊形参：...

1
2


my_mean=function(...)sum(...)/length(c(...))
my_mean(1,2,3,4)

无名函数: 不定义函数名也可以调用

1

a=lapply(1:3, \(i)print(i))

变量作用域：全局变量 vs 局部变量

1
2
3
4
5


x=100
func=function(x){
    print(x+1)
}
func(0)

R中所有的存在都是对象（object）对象其实就是一种封装的概念，它把事物封装成一个类(class)，然后提供类的方法(method)，而具体的过程人们看不到。

1

class(mean)

R中发生的动作都是函数调用（function call）???

函数调用有四种方式：

1 前缀形式。这也是一般的格式

1

mean(1:2)

2 中缀形式。二元运算符实际上都是函数

1
2
3
4
5


1+1
`+`(1,1)

`%love%`=function(a,b)paste0(a," loves ",b)
"Romeo"%love%"Juliet"

3 替换形式。

1
2
3
4
5


x <- 1:2
names(x) <- c("a", "b")
x

print(`names<-`)

4 特殊形式。x[1], x[[1]]这些取子集或元素等

1
2
3


x <- 1:5
x[1]
`[`(x, 1)

确实，R中发生的动作都是函数调用（function call），知晓函数调用的形式，可以让我们在用某些包的函数时明确问题来源，查找源码等。

Debug

某个函数突然失灵了

工作环境变化

环境是R语言比较困难的概念，一般不需要深入了解也能用。

但我们要知道，大多数时候我们处于Global Environment，我们敲出来的每一个变量名(函数名)都是优先在全局环境找，找不到的话就search()里面按顺序去每个环境找。所以要注意环境优先级以及变量名冲突，极端情况如下：

1
2
3
4


1+1 #正常当然等于2
#定义了`+`,或者新导入的包包含一个`+`的函数名，覆盖了base的加法
`+`=`-`
1+1 #结果会变成0

常使用pkg::func的形式调用函数是个好习惯，可以防止不同包的同名函数冲突。

断点，traceback()，debug()， browser()

反向追踪(traceback)将错误定位到某一函数调用。

可以用debug(func)命令对函数func开启跟踪运行。

用undebug(func)取消对func的这种操作。

我要debug的函数在哪？

一般来说我们可以找到报错的代码行以及具体的函数，便可以使用debug()。

但有时候会发现一些函数无法被正确定位，具体代码也只能看到UseMethod()：其实是我们碰到了泛型函数。下面同样一个summary函数，为啥对women和fit做出了完全不同的处理？

1
2
3


summary(women)
fit <- lm(weight ~ height, data=women)
summary(fit)

1
2
3


summary(women)
fit <- lm(weight ~ height, data=women)
summary(fit)

1

class(women); class(fit)

原来他们是不同的类（class），泛型函数会更具对象的类选择运行什么样的代码（即见人说人话，见鬼说鬼话）：调用func.class()函数，上述就是分别调用了summary.data.frame()，summary.lm()。print和plot也是非常常见的泛型函数。

或者我们可能发现某些报错函数not found（但我们又确定有这样一个函数）：其实是我们碰到了非导出函数（R包开发者不想用户看到所有的函数，只把有用的导出）。

1
2
3
4
5
6


library(reshape2)
class(mtcars)
#melt是泛型函数，那应该调用melt.data.frame
melt.data.frame(mtcars,id.vars = "cyl")
## Error in melt.data.frame(mtcars, id.vars = "cyl") : 
##  could not find function "melt.data.frame"

找到这些函数的方法也很简单（毕竟R包需要都开源）：pkg:::func即可

1

reshape2:::melt.data.frame(mtcars,id.vars = "cyl")

有时候我们通过debug可以发现一些有用的内部函数（比如从那种一步/很久完成XX分析的函数中找到我们需要的功能），这样我们便可以使用pkg:::func做想做的部分。

代码整理

我们在做数据分析时会产生大量代码，做好整理非常重要。

最开始，每一个独立的R脚本进行分析（代码冗余度太高，后期很难快速看懂）
学会编写函数，复制函数到不同的R脚本使用（n个地方的函数需要修改n次）
将常用的函数放在一个R脚本下，要用的时候source()整个脚本（全局环境中出现大量函数名，可能还会引起冲突）
将常用函数整理成R包，写好注释和帮助文档，方便调用和分享（嘎嘎香)

接下来的3,4部分非必需，但我觉得学习后便会有惊喜：

R markdown (to everything)

R Markdown是一种文本格式，用于创建具有代码、文本、图形和输出结果的可重复性报告。是“文学式编程”(literate programming, (Knuth 1984))思想的实践。

它是在R语言环境中开发的，也可以与其他编程语言（如Python，shell）结合使用。

优点：

可重复性：代码和结果都是可重复的，有助于确保研究结果的可靠性和透明度。
效率：使用R Markdown在单个文件中组织和记录所有内容，节省时间和精力。
灵活性：R Markdown支持多种格式和输出选项，根据需要自定义样式布局。

总之，比word好用，比Latex好学😂

Yihui Xie大佬的官方文档：R Markdown: The Definitive Guide (bookdown.org)

以及参考书：R Markdown Cookbook (bookdown.org)

To Documents

Rmd文档头部是YAML元数据，可指定各种输出参数

HTML
PDF
Word

优点：

公式，化学分子式非常好写
文献插入也不错（配合Zotero）
图表自动编号和引用、链接（我觉得比word好用点）
支持交互式图形（HTML）

To Presentation

R Markdown支持生成各种幻灯片文件（此幻灯片也是由Rmd生成的😂）

PowerPoint

常用，易分享
ioslide/Slidy

网页格式的幻灯片，支持交互 (拜托，PPT可交互真的很酷)
Beamer

PDF幻灯片，模版众多，大学课堂热衷使用

To Research Papers

rticle包，包含一套自定义 R Markdown 格式和模板，用于创作期刊文章和会议提交。

例子：

To Website

Rmarkdown可以帮助我们搭建简易网站：

index.Rmd是主页内容，可以在此处人工加入其它页面链接。
_site.yml是一个YAML文件，其中包含站点的设定和输出设定。

例子：

File -> New Project -> New directory -> Simple R Markdown Website ->

Create Project (click Open in new session) -> Build -> Build Website

To Blog

R扩展包blogdown可以与Hugo软件配合制作简单的静态博客网站。

网站的所有文件都在一个目录中，只要上传到任意的网站服务器就可以发布，没有任何限制。

我的博客：Asa’s blog

参考书：blogdown: Creating Websites with R Markdown (bookdown.org)

To Book

R的bookdown扩展包

在bookdown的管理下：一本书的内容可以分解成多个Rmd文件，其中可以有可执行的R代码， R代码生成的文字结果、表格、图形可以自动插入到生成的内容中，表格和图形可以是浮动排版的。输出格式主要支持gitbook格式的网页图书。

我也稍微尝试写了一下：MetaNet Tutorial

参考书：bookdown: Authoring Books and Technical Documents with R Markdown

R package/shiny

写R包

包是可重现 R 代码的基本单元，包括可重用的 R 函数、描述如何使用它们的文档和示例数据。一个包将代码、数据、文档和测试捆绑在一起，并且很容易与他人共享。

简单例子（需要下载roxygen2包）：

File -> New Project -> New directory -> R package ->

Create Project (click Open in new session)-> Package name -> Build -> Install

最简单的包只需要这些目录和文件即可，

R目录下放在我们编写的R函数脚本
man目录放着所有函数的帮助文档（roxygenise()函数生成，不要自己写）
DECRIPTION定义了包的各种元数据，包名/版本/依赖包等等，非常重要
NAMESPACE控制函数的可视性（roxygenise()函数生成，不要修改！）

参考书：R Packages (2e) (r-pkgs.org)

如果真的有意开发R包，建议走devtools的流程，要比前面的简单例子好用。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19


library(devtools)
#创建R包
create_package("testpkg")
#配置git用于版本控制
use_git()
#创建一个R脚本，开始写函数
use_r("first")
#生成man文件和NAMESPACE
document("./")
#使所有函数可用（没有install但R包已在内存）
load_all("./")
#检查R包语法，建议每次重要修改后运行一次，解决完所有的Error，Warning，Note再进一步修改，不要积累较多错误
check("./")
#打包为bundle包，.tar.gz
build("./")
#install我们写好的R包
install("./")
#定义一些测试例子
use_testthat()

循环后面几步：function -> document -> load_all -> check ->install，直到功能完善，check无误。

函数应该功能明确，不能使用library，而应该用pkg::func调用，并且这里的pkg一定要在DESCRIPTION中声明。
函数不应该产生不良副作用，比如修改用户环境变量，谨慎使用option, par, setwd等函数。
函数的头文件很重要，包含了帮助文档以及决定函数性质的参数：
使用Shift+option+command+R可以帮助生成头文件

发布包:

CRAN submission 请仔细阅读CRAN Repository Policy，然后必须让代码通过R CMD check再提交，不然会直接拒收。我们提交的包是bundle包，.tar.gz格式。过了机检后就会有“审包人”联系（一般是志愿者，我们应当态度好些），再积极沟通修改代码就好，最后通过审核一天就能在CRAN上看到了。
BioConductor submission 用于生物信息学的开源软件专题库，上传前仔细阅读Guidelines，明确包的主题要跟生物有相关性（ Software, Experiment Data, Annotation and Workflow.），发布包的流程是Github issues，审核过程全公开透明，你现在就能点进去看有哪些包正在提交。
Github 这里就最自由了，你可以随意上传在自己的仓库，也可以邀请别人直接从github安装。